随着计算机互联网技术的进步及社会信息化程度的提升,如今的各个领域都对身份识别技术提出了越来越高的需求。人脸识别技术因为人脸稳定且方便检测的特性而得以被广泛应用于金融、安防、电子商务、手机等领域。因为拥有巨大的应用前景,人脸识别也成为了计算机视觉、模式识别领域中的热门课题之一。而深度学习和神经网络的发展带动了人脸识别技术的进步。不断有人提出新的深度学习模型,这些模型也被用于人脸识别,并达到了非常好的效果。本文将一个具有多层卷积的深度神经网络用于提取人脸特征,该模型同时利用了输入的识别信号和验证信号来训练模型,并通过PCA降维、联合贝叶斯等算法对提取得到的特征进行人脸验证。本文提出对卷积神经网络中的pooling层进行改进,将其替换为卷积操作或全连接操作,提高了模型获取信息的能力。同时本文提出了基于人脸关键点位置的模型,在一次训练过程中可以利用不同关键点周围的信息,将单个模型的准确率提高到99%以上,解决了多模型训练耗时的问题。使用不到70万张的人脸图像和输入为100的图像大小,我们通过对模型的优化在LFW数据集实现了单模型99.17%的平均准确率,仅仅使用单模型的效果就接近于多模型融合。